Valofrikit Näyttävät Lisäävän Merkittävästi Tekoälyprosessien Nopeutta

Tutkijaryhmä sovelsi valofrikkitekniikkaa tekoälysovelluksiin ja osoitti, että valofrikit voivat ylittää perinteisten elektronisten frikkien tietokäsittelykyvyn.

Tutkijaryhmä kehitti uuden piirirakenteen ja lähestymistavan, jossa yhdistettiin tietojen tallennus- ja käsittelyominaisuudet yhteen laitteeseen. Frikit valmistettiin faasi- muuttuvista materiaaleista (kuten DVD:issä käytettävistä). Valofrikit (valopohjaiset prosessorit) käytetään tietokoneen piirin valmistamiseen, joka voi suorittaa laskutoimituksia korkeilla nopeuksilla, ja tutkimusryhmä pystyi osoittamaan, että nämä uudet frikit pystyivät parantamaan perinteisiä elektronisia frikkejä merkittävästi kiitos nopean rinnakkaisen tietokäsittelykykynsä.

Matriisi-vektori-kertoja

Tekoälysovellusten alla olevat neuroverkkorakenteet toimivat matriisi-vektori-kertolaskujen kautta. Tutkijaryhmä kehitti laitteistopohjaisen kiihdytysjärjestelmän, joka mahdollistaa näiden kertolaskujen suorittamisen rinnakkain. Valofrikit hyödyntävät sitä, ettei eri aallonpituudet häiriköi toisiaan, joten niitä voidaan käyttää laskutoimituksiin rinnakkain. Tutkijaryhmä käytti EPFL:n kehittämää “taajuuskammia” valofrikin valonlähteenä, josta saatiin eri aallonpituudet.

Taajuuskammen kehittäminen oli Professori Tobias Kippenbergin johdolla EPFL:ssä. Kippenberg on yksi tutkimuksen johtavista tekijöistä yhdessä Münsterin yliopiston Wolfram Pernicen kanssa. Pernicen mukaan valopohjaiset prosessorit voivat nopeuttaa tekoälysovelluksissa käytettäviä laskutoimituksia, suorittaen laskutoimituksia jopa nopeammin kuin erikoistuneet laitteet kuten Tensor Processing Units (TPU) ja kehittyneimmät GPU:t.

Neuroverkkojen koulutus

Valofrikkien suunnittelun ja valmistuksen jälkeen tutkijat testasivat niitä neuroverkkorakenteella, joka oli suunniteltu tunnistamaan käsin kirjoitettuja numeroita. Neuroverkkojen koulutusprosessi hyödynsi frikissä mahdollistamaa aallonpituuden monipisteytystä, ja se saavutti korkeammat tietokäsittelynopeudet ja -tiheydet kuin aiemmin.

Johannes Feldmann, tutkimuksen johtaja ja Münsterin yliopiston jatko-opiskelija, selitti TechXplorelle:

”Konvoluutio-operaatio, jossa syöte- ja suodatinaineisto (esim. reunan korostus valokuvassa) voidaan siirtää hyvin meidän matriisirakenteeseen. Valon hyödyntäminen signaalin siirrossa mahdollistaa prosessorille rinnakkaisen tietokäsittelyn aallonpituuden monipisteytyksen kautta, mikä johtaa suurempaan laskentatiheyteen ja useiden matriisikertojen suorittamiseen yhdessä aikataulussa.”

Työ on merkittävää, koska se voi mahdollistaa neuroverkkojen kouluttamisen suurilla tietojoukoilla paljon lyhyemmässä ajassa kuin mitä perinteinen koulutus kestää. Big datan kasvaessa internetin ja älylaiteiden määrän kasvun myötä, data-analyytikot tarvitsevat uusia keinoja pitääkseen koulutusajat mahdollisimman lyhyinä. Perinteiset elektroniset laitteet toimivat yleensä alhaisilla gigahertsin taajuuksilla, kun taas valo-modulaatiota voidaan käyttää jopa 50-100 gigahertsin taajuuksilla.

Tutkimuksella voi olla tärkeitä sovelluksia pilvilaskennassa, lääketieteellisessä kuvantamisessa ja itseohjautuvissa ajoneuvoissa, joissa vaaditaan suuren tietomäärän käsittelyä useista lähteistä mahdollisimman nopeasti.

Tutkimushanke oli kansainvälisen tutkijaryhmän yhteistyön tulos, johon osallistuivat tutkijat Pittin yliopistosta, Münsterin yliopistosta Saksassa, Englannin Exeterin ja Oxfordin yliopistoista, IBM Zürichistä ja École Polytechnique Fédérale (EPFL) Sveitsissä.